摘要
阿尔兹海默病(Alzheimer Disease,AD)是常见的老年性疾病之一。随着全球人口老龄化问题日益严重，AD的发病率也不断上升。轻度认知障碍(Mild cognitive Impairment,MCI)是AD的前期表现，可划分为稳定型轻度认知障碍(sMCI)和转变型轻度认知障碍(cMCI)。然而，由于轻度痴呆障碍的症状并不明显，其往往被误认为成正常衰老的表现，从而使患者错过了最佳治疗时期。因此，对MCI患者以及早期的AD患者的诊断和提前干预，对于延缓AD的发展速度具有重要的意义。 目前，医学影像技术已成为人类大脑领域研究的主流工具，磁共振成像(Magnetic Resonance Imaging,MRI)可以清晰地反映出大脑内部结构，对AD早期诊断和预测具有重要作用。本文利用阿尔兹海默病以及轻度痴呆障碍患者的MRI影像数据集，通过深度学习训练出用于AD识别诊断的模型。依据数据的不同维度，本文提出了两种不同的基于深度神经网络模型的AD识别方法，分别是基于3DMRI影像数据和基于2DMRI切片数据的深度神经网络方法。 在基于3DMRI数据的方法中，本文首先对数据集做了进一步的预处理，包括颅骨边缘信息切除和数据增强。其次设计了基于3D卷积神经网络的方法，依次加入了残差模块和密集连接模块，并在密集连接模块中引入了注意力机制。本文以正常人的MRI影像数据(Normal Control,NC)与阿尔兹海默病不同病症阶段组成了实验对照组。实验结果显示，本文提出的3DMRI数据方法在AD vs.NC，NC vs.cMCI，cMCI vs.sMCI3个实验中的准确率分别达到了97.15%，88.82%，78.79%。 在基于2DMRI数据的方法中，本文首先将3DMRI沿着冠状面切片，每个样本得到80张2DMRI图片，其次本文提出了一个用于AD诊断的双骨干复合网络，并在该骨干网络上融入了通道注意力机制和本文提出的卷积核选择注意力机制。以上网络提取的脑部MRI特征，将进一步被输入到带有自注意力机制的循环神经网络LSTM中，用于训练和提取MRI图像的三维信息。最终，该方法通过五折交叉验证法分别在AD vs.NC，NC vs.sMCI，cMCI vs.sMCI的准确率为97.67%，67.15%，74.86%。 综上所述，本文基于阿尔兹海默病MRI影像数据对阿尔兹海默病各阶段病情的诊断研究设计了多个基于注意力机制的深度卷积神经网络模型，探讨了不同网络模型的设计思路和对阿尔兹海默病各阶段影像数据进行分类的结果。大量实验表明，基于密集模块注意力机制的3D卷积神经网络和基于卷积核选择注意力的双骨干复合网络能够得到最好的分类结果，优于当前已广泛使用的深度学习阿尔兹海默病分类方法。
NETL